这次访客在Altair博客上贡献是由Katja Juschka, Fluidon的市场和销售主管是Altair合作伙伴联盟的bob游戏下载大全成员。

相关信息而不是大众数据

今天，工业的东西（IIOT）和行业4.0成为每个人都在谈论的流行语。遵循这种技术炒作，存在巨大的压力。在寻找一个有用而聪明的启动方式，企业面临着广阔的数据管理解决方案市场。然而，促进的数据量及其丰富多彩的可视化通常缺乏令人信服的益处。为了向用户提供相关结果，必须在IIOT的系统中通过连接组件提供的数据分析并放置在右侧上下文中。为了提高效率，必须首先识别精确的研究问题。这减少了计算时间并更快地引导有用的信息。

监控工业系统并不是一个新发现。几十年来，配备传感器并记录数据的系统已经被证明是行之有效的做法。状态监测作为一种差异化的预防性维护方法只是一个例子。

传统系统和智能系统之间的真正区别在于连接的等级，以及与所使用组件集成的传感器。与传统系统不同的是，智能系统组件中的传感器传递的数据可以根据交联程度进行分析。这听起来可能很容易，但在工业环境中分布数据仍然是一个巨大的挑战，尤其是在安全问题上。

将数据转化为相关信息——测量数据需要智能处理

这是通过琐碎的类比说明：汽车的司机是人类数据处理器的完美示例。要安全开车，司机必须利用他感官提供的所有信息。经验丰富的驾驶员之间的差异包括了解有哪些信息相关，了解安全操作条件以及系统控制的各个等级。

缺乏经验的驱动因素往往不堪重负，通过可用信息的数量：交通，道路状况，天气，交通标志，行人，建筑物，即使是无线电计划 - 也被司机所感知和审议。对这些数据的分析是耗时的，希望他的技能足以正确反应。

另一方面，经验丰富的驱动程序能够更好地过滤传入信息，了解影响车辆行为的数据流中的相关位。他对他的汽车反应有更清晰的了解，以及与安全骑行相关的内容。例如，在道路上的湿润在叶子覆盖的街道上比直接高速公路更危险。

对所处的环境和所使用的物品建立了模型;有经验的驾驶员能够为这个模型提供当前数据。他知道被树叶覆盖的湿路会有多滑，而此时他的车就要失去抓地力了。通过分析相关数据并将其作为模型的输入，他可以预测下一条曲线的速度，而不会与其他曲线发生碰撞。

分析或预测的质量取决于当前数据，系统（或模型）行为的知识以及经验。筛选相关数据及其手动评估是一种适用于有限数量的数据和基本系统的合适方法，但当时应该释放出新技术的全部潜力，几乎不会应对数据量和系统复杂性。

自动化处理和数字孪生方法

自动化数据处理是一种很有前途的快速和完整的数据分析方法。现代数据处理系统可以在瞬间监控数百万个值，将它们与阈值进行比较，并向用户显示警告。然而，越来越多的数据使得通过简单比较阈值生成有用数据变得不可能，而需要在上下文中找到所需的信息。从更大数据量的全部潜力中获益的解决方案是改变视角。不是利用所有的值，而是对数据集群进行识别和关联。生成这些关联的实例是系统模型。

在自动分析中，即使没有由特定传感器直接监视，使用适当的模型完成状态描述。在这种情况下，该模型是一种经验丰富的过程工程师，他们可以基于其知识的基于知识的概念来诊断系统错误（例如，通过分析机器噪声）。此外，过程工程师的概念方法以及数字模型方法都可以用于什么方案。这意味着基于行为描述，可以使用模型来推断当前数据。

典型用例是预防性维护。该方法旨在通过监控某些指标的趋势并估算需要的剩余运行时，避免意外的系统故障（例如，由于磨损的组件）。指标通过代表真实系统副本的模拟模型来计算 - 所谓的数字双胞胎。

使用整个系统的数字孪生系统来实时处理大数据提供了一系列新的可能性。能够预测系统组件的未来开发听起来很诱人。假设一个仿真模型越详细，它得到的范围就越广，这直接关系到适当解决方案所需的计算性能。

代表整个系统的模型，其具有其所有详细方面的系统将太慢，以及时地提供系统状态分析。这可以通过简化和焦点来解决基础知识，从需要哪些信息的定义开始。适用于这些要求的仿真模型可以更快地计算，并且由于其尺寸较小，维护更容易。

一个典型的用例是带有液压缸执行器的系统。这种系统被用于材料加工，在那里精度和速度是主要的优先事项，并最大限度地减少机器停机时间是关键。

为了达到这个目的，该系统配备了常见的传感器。信号处理系统(SPS)处理相关传感器数据并控制所需组件。使用最新的技术，运营商是最新的，并安装了一个池，从他的系统-云所有传入的数据。虽然系统组件来自不同的制造商，但它们都能够通过SPS或接口将数据传输到云。

操作者的目标是在保持机器精确操作的同时，尽可能延长机器的使用寿命。在本例中为气缸执行器，这主要是由高压过滤器和伺服阀决定的。因此，操作人员想知道，在当前的操作条件下，何时必须更换这些部件，或者在不影响产品质量的情况下，当前系统可以以何种速度运行。

被聚焦组件的状态是由它们的系统上下文决定的。例如，阀门的控制信号必须与当前气缸的运动轮廓相匹配，过滤器上方的压差取决于过滤器负载和介质的粘度。这些依赖关系已经在缸驱动液压元件的模型(数字孪生)中进行了描述，并包含在云中。

建立数码双胞胎

数字双胞胎的建立以及模拟模型的生成需要专门知识和数据。这可能是一个与知识产权有关的问题，因为系统的制造商不一定是使用组件的制造商，而且只能有限地访问所需的数据。处理这种信息缺乏的一种方法是根据经验或环境来估计缺失的数据。另一种方法是通过添加新流程来扩展组件制造商的价值链。

首先，组件制造商可以与其数字双胞胎一起提供物理组件。在技​​术上，在这种情况下，双胞胎是具有定义接口的模拟模型包。模型交换在功能模拟界面（FMI）上运行，是几年前开发的标准，以简化组件供应商和OEM之间的交换。FMI保护知识产权，同时允许使用带有供应商数据的模型。FMI标准后的FMU（功能模型单元）的模型成为运营商数据云中包含的数字双胞胎的一部分。

其次，组件制造商可以提供包含数据分析的组件作为服务包。由于这包括从系统外包的数据分析，组件供应商可以访问运营商的云中的某些数据，并通过其组件双胞胎使用这些数据进行评估。如果组件对系统的其余部分没有太多的逻辑依赖关系，那么这种方法效果最好。尽管许多企业对与第三方进行数据交换持怀疑态度，但双方都可以从中受益。如果制造商获得了实时运行条件下部件的性能信息，则可以对部件进行相应的调整和改进。

通过数字模型的应用启用了系统的设计，开发和操作之间的连接数据流。虽然仿真模型以前主要用于产品开发阶段，但数字双胞胎消除了这种限制。这些特定模型不仅可以与实际系统的操作阶段并行应用，但它们也用作新克隆的原型，该原型可用于将来的发展，并且可以不断使用实时过程数据。这提供了基于当前数据进行分析的机会，例如，在开发阶段中的性能和磨损行为。它揭示了基于测量数据的实时条件的推导，越来越需要具体的专业知识和模拟能力。

然而，最大的挑战在于云服务供应商的数据管理。因此，在高度保护的区域内，对核电站操作人员的敏感数据进行负责任的处理是绝对前提。